CN108091399A - 一种动态疾病模型库的分析方法及*** - Google Patents

Abstract

本发明涉及一种动态疾病模型库的分析方法及***，具体步骤如下：S1、病征建立疾病模型；S2、将有效病历集输入到疾病模型分析处理；S3、根据有效病历对疾病模型进行更新，最后获得新疾病模型；S4、将患者相关病征信息录入模型中，根据病征信息选取符合疾病模型内强关系病征的疾病列表，后使用相应疾病列表的疾病推导公式算出各种疾病和概率，并将结果推送到临床医生；***，包括动态推理机，动态推理机分别与信息录入端和用户端通讯连接。本发明通过将静态临床知识库与大数据方法有效融合出动态疾病模型，同时对医疗数据随时转化为推动疾病模型优化的因素，对疾病模型库进行动态调整。本发明提升诊断的速度与准确率，将临床数据即时转化为经验。

Description

一种动态疾病模型库的分析方法及***

技术领域

本发明涉及医疗数据分析技术领域，涉及动态疾病模型库的分析方法及***。

背景技术

据文献查证，临床诊治过程中误诊的3大主因分别是医生经验不足、未进行最有力的检查项目以及在问诊与检查方面没有取得共识。医生经验不足有几种表现，医生年资较浅，或专业领域很强但对别的领域不熟悉；未进行最有力的检查是在确诊前，主治医生有一个初步印象或初步诊断时，为了进一步确定结果，会追加检查项目来验证初步的推测，此时因疾病的复杂性，极易发生下达的检查申请不是最急需的，从而导致经济的浪费与时间的延误；未取得共识则是检查结果与疾病之间的关系在病情复杂时较难判定，各个专家之间的意见也不统一，最后往往需要多科会诊来确定诊断结论。

针对上述问题，目前在临床多采用智能分诊或临床决策支持方面的信息化软件来支持，这两类***主要基于两类信息处理的方法：一是基于静态临床知识处理方法，即采用按疾病的表现，建立危险因素表，逐一对照的方法来提出初诊意见，此方法类似于临床专家的经验判断方法；二是运用大数据的多因素回归分析方法对历史病历进行处理，将所有疾病相关的病征进行动态分析，得到相应的预测公式，然后输入患者病情数据，进行预测分析。

上述的两种方法静态临床知识库方法及大数据法在特定场合下均有其自身优势，但也均存在一定的限制具体如下：

静态知识库的方法，虽然对部分有容易辨认病征的常见病比较有效，但还有更多疾病的病征表现组合模式并不明确，同时随着人类社会对疾病的认识与探测手段不断发展，知识也在不断丰富，静态知识库往往是经过临床总结，然后结过学术讨论后再应用推广，时效性低。

多因素回归方法依重于大数据的分析，天然地对数据质量以及数量有一定要求，因国内医学信息发展过程快速，信息化***也繁杂多样，造成了当下历史数据质量不高，同时信息也不全面的现状，所以对绝大多数中小型医疗机构，极难采用这类方法开展实施工作，因此从客观条件看，不是所有医院都具备这个条件，在临床应用层面，当前的普及性及可用性大打折扣。

发明内容

本发明要解决的技术问题是提供一种动态疾病模型库的分析方法及其***。

本发明采用如下技术方案：

本发明提供了一种动态疾病模型库的分析方法，具体步骤如下：

S1、专家组根据疾病类型和相应的病征建立疾病模型；

建立疾病列表，同时在疾病列表下面建立病征列表，所述病征列表按照强关系病征S、中关系病征M和弱关系病征W三类进行区分；

根据疾病确诊规律建立疾病与病征的疾病推导公式：

O（x）=f(m₁,m₂,…,m_n,w₁,w₂,…,w_i)=b₁X₁+b₂X₂+…+b_nX_n+p₁W₁+p₂w₂…+p_iw_i；

m_n代表中关系病征序列中有n个病征m，中关系病征序列以数组方式表示为（m₁,m₂…m_n），用M来表示，w_i代表弱关系病征序列有j个病征w，弱病征序列以数组方式表示为（w₁,w₂…w_n），用W表示；b₁…b_n代表为在确诊疾病时计入公式的中关系病征相应的权重值，取值在0到1之间，p₁，p₂…p_i指公式引用到弱关系病征的系数，系数取值在0到1之间；

S2、挑选所有合适的病历形成有效病历集，并将有效病历集输入到疾病模型中；

S3、当有效病历集达到一定数量时对疾病模型进行更新，最后获得新的疾病模型；

S4、将患者相关病征信息录入模型中，模型将病征信息与疾病列表进行判断分析，并用疾病推导公式算出可能出现的各种疾病和概率，并将各种疾病和相应的概率推送到临床医生的用户端。

进一步的，所述挑选有效病历集具体步骤包括：

1）从病历内容中分别提取所有疾病模型中出现的病征，形成每份病历提取结果的列表Q；

2）从疾病模型中获取疾病的病征列表；

3）接着用1）的列表Q与2）获取的病征列表进行对比，当病征列表中的强关系病征均应出现在列表Q中时，该病历才可进入后续处理；否则为无效病历；

4）然后将列表Q中的节点代入疾病推导公式进行推算患病概率，当概率大于设定的最低阀值时，此病历可归入该疾病的有效病历集。

进一步的，所述最低阀值的范围值为0-1。

进一步的，所述步骤S3疾病模型进行更新具体如：

1）将有效的病历中每份病历的相应病征结果列表Q 集中在一起作为参数进行分析处理；

2）经过上述分析处理后获取病征与疾病的相关性，并按相关度从高到低进行排序，获取到带权重值的病征序列Y；

病征序列Y表示为（y₁：r₁，y₂：r₁，y₃：r₃……y_k:r_k），其中y为病征名称，r为相关权重值，安装疾病的相关性由高至低排列，其中k代表病历模型中所有病征的总数；

3）疾病模型中获取相应疾病的病征列表，用病征列表中的中关系病征每一个病征与病征序列Y中的病征逐一进行对比，首先排除该疾病的强关系病征，后如发现病征序列Y中有未出现在疾病模型中的中关系病征中且排序位于疾病模型中的中关系病征中任何一个已有病征之前时，将其加入到原中关系病征中形成新中关系病征M_new，并从疾病模型的该疾病弱关系病征列表中去除相应的病征；

4）使用3）中获取的M_new及W_new与相应疾病所有有效病历的病征列表Q的节点对比，将每个Q内病征与M_new中病征以及W_new中排在前N个的病征的交集节点提取出来形成新的列表L，其中N可以在***中配置，形成列表L集；

5）将新的列表L集代入疾病推导公式即可获得新的推导公式，由此新的推导公式和包含新M_new的疾病列表构成了新的疾病模型。

进一步的，所述步骤S3疾病模型进行更新具体如：所述步骤S3当有效病历集达到一定数量时对疾病模型进行更新，所述数量范围为1000以上。

还公布了一种动态临床疾病模型***，包括动态推理机，所述动态推理分别与信息录入端和用户端通讯连接，用于，接收信息录入端发送的病历信息，所述病历信息包括患者信息和病征信息的临床数据；对于未确诊的病历信息，根据动态推理机内的疾病模型推导出可能存在的疾病和概率信息，再将疾病和概率信息发送给相应的用户端，作为相应接诊医生的诊断参考；对于已确诊的病历信息，动态推理机根据疾病模型判断病历的有效性，并将判断为有效的病历传入病历存储库；

所述动态临床疾病模型***还包括病历存储库，所述病历存储库用于接收信息录入端收集到的所有已确诊并经动态推理机判断为有效病历的病历信息；

动态推理机从病历存储库提取相应疾病的病历集，并提取各个病历中的相应病征，每当病历集达到指定量级时，动态推理机启动对相应疾病与病征相关度的分析，动态推理机根据分析后的病征相关度排序新的病征列表，根据新的病征列表动态推理机调整疾病模型。

进一步的，所述动态推理机包括动态推理模块、疾病模型存储模块、病征提取模块和病例分析模块，动态推理模块分别与疾病模型存储模块、病征提取模块和病例分析模块双向通讯连接；

动态推理模块，用于将病征提取模块获取的病征列表代入到疾病模型存储模块获取疾病模型中计算相关疾病的概率；

疾病模型存储模块，用于存储疾病模型，所述疾病模型包括疾病列表、病征列表及疾病推导公式模型；

病征提取模块，用于从接诊患者的病历信息或所述病历存储库内的确诊病历中提取疾病有关的病征信息，将该病征信息处理为供病例分析模块分析的病征列表Q；

病例分析模块，用于病征列表Q和相应疾病的疾病模型的病征列表对比，当疾病模型的病征列表的强关系病征都出现在病征列表Q，则计算该疾病的概率；并用于对每个疾病进行病征相关度分析获得病征序列Y，将病征序列Y传至权重调节器。

进一步的，所述动态临床疾病模型***还包括权重调节器，用于接收病例分析模块的病征序列Y，并修正疾病模型中的权重数值，并用病征列表与病征序列Y中的病征逐一对比，形成新的疾病模型。

进一步的，所述病征列表Q用数组方式表示具体如下：

Q(疾病名称，病历序号)={（病征1，值1），（病征2，值2）……，（病征n，值n）}；

病征列表中每个节点均由名称及取值两部分构成，其中取值的形式分为三类：（1）有/无、（2）数值、（3）文本序列。

进一步的，所述列表Q内节点个数与疾病模型的病征库中的病征个数相等。

进一步的，所述强关系病征S、中关系病征M和弱关系病征W通过病征列表的形式在疾病模型中进行体现，如下：

病征列表用数组方式表示为{（病征1，值1），（病征2，值2）…（病征i，值i）…（病征n，值n）}；

病征列表中每个节点均由名称及取值两部分构成，其中取值的形式分为三类：（1）有/无、（2）数值、（3）文本序列。

与现有技术相比，本发明的有益效果在于：

本发明以减少误诊概率为出发点，从打破个体医生经验限制的角度为临床医生提供临床辅助，可提高诊治准确度与速度的同时提升患者满意度、减少患者看病成本的一种信息处理技术方法与装备。

本发明通过一套通用的动态疾病模型库，将静态临床知识库与大数据方法有效融合出动态疾病模型，达到无论医院大小，以及无论历史数据多少均可以采用此方法开展工作，同时对已有的和新增的医疗数据都可以随时转化为推动疾病模型优化的因素，对疾病模型库进行动态调整。

本发明可突破医生经验限制，提升诊断的速度与准确率，同时利于新增临床数据质量的提升，将临床数据即时转化为经验，使医院的数据真正成为可用的财富。

【附图说明】

图1为动态疾病模型分析方法流程示意图；

图2为动态临床疾病模型***模块示意图。

【具体实施方式】

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

参考附图1所示，以下对上述方法做出详细的说明：

步骤1：专家组根据疾病类型和相应的病征建立疾病模型；

建立疾病列表，同时在疾病列表下面建立病征列表，所述病征列表按照强关系病征、中关系病征和弱关系病征三类进行区分。

本实施例中：

疾病列表包括心力衰竭、缺血性心肌病、子宫腺肌病和***等，构成一个完整的疾病列表，同时相应的具体疾病下面建立病征列表，这里的病征列表指的是与相关疾病的定义和诊断相关的特征，详细的包括病史、手术史、过敏史、征状、体征、检查、检验、生活习惯、性别、社会生活环境等信息。如心力衰竭为例：

心力衰竭的病征列表包括：年龄、年龄段、糖尿病史、高脂血症、缺血性脑血管病、慢性阻塞性肺病、舒张压、血清蛋白、血清钠、Ln血胆固醇、发热、肌张力异常和畏寒等

强关系病征：用S表示，指确诊疾病时必须存在的事实，比如必须存在的症状、体征等患者的身体反应，也有可能作为自然人的属性，比如性别，诸如此类。比如：从疾病定义出发，比如男性病，患者必须是男性，不能是女性患者；

中关系病征：用M表示，是指临床专家已达共识，确诊时需确认的、必不可少的病征，但针对于每一个具体的患者，可能只有部分病征出现，亦不排除全部出现的可能；

弱关系病征：用W表示，则是指有可能有此病征，也可以无此病征，在确诊疾病时，可作为参考，但不作为强制指标。

同时这里要指出的，随着人类对疾病的深入了解，病征与疾病的关系强度是可以转化的，特别是在不同人群、不同地域、不同时期或不同生活习惯下，在定义疾病时虽未纳入强关系病征或中关系病征，但有可能向更高的关系转化。因此需要一个能够动态的疾病模型可以根据关系病征的转化实时转变的有助于临床医生快速的诊断出相关的疾病，增大准确率。

如心力衰竭的强关系病征、中关系病征和弱关系病征区分：

强关系病征：冠心病、高血压

中关系病征：端坐呼吸困难、肝颈静脉回流征、心动过速、颈静脉怒张、肺部啰音、心脏肥大、肺水肿、双下肢水肿

弱关系病征：活动后气短、胸腔积液、肺门增大、第三心音奔马律、肝大

本实施例用心力衰竭为例进行详细说明，如下：

S列表、M列表及W列表均代表为病征列表，用数组方式表示为{（病征1，值1），（病征2，值2）…（病征i，值i）…（病征n，值n）}，列表中每个节点均由名称（病征n）及取值（值n）两部分构成，其中取值的形式分为三类：（1）有/无、（2）数值、（3）文本序列（字典值），如：心力衰竭的强关系病征的病征列表，S（心力衰竭）={（冠心病史，有），（高血压史，有）}

中关系病征的病征列表，M（心力衰竭）={（端坐呼吸困难，有），（肝颈静脉回流征，有），（心动过速，有），（颈静脉怒张，有），（肺部啰音，有），（心脏肥大，有），（心脏肥大，有），（肺水肿，有），（双下肢水肿，有）}

弱关系病征的病征列表，W（心力衰竭）={（活动后气短，有），（胸腔积液，有），（肺门增大，有），（第三心音奔马律，有），（肝大，有）}。

根据疾病确诊规律建立疾病与病征的疾病推导公式：

O（x）=f(m₁,m₂,…,m_n；w₁,w₂,…,w_i)=b₁X₁+b₂X₂+…+b_nX_n+p₁W₁+p₂w₂…+p_iw_i；

m_n代表中关系病征序列中有n个病征m，中关系病征序列以数组方式表示为（m₁,m₂…m_n），w_i代表弱关系病征序列有j个病征w，中关系病征序列以数组方式表示为（w₁,w₂,…,w_i）；b₁…b_n代表为在确诊疾病时计入公式的中关系病征相应的权重值，取值在0到1之间，p₁，p₂…p_i指公式引用到弱关系病征的系数，系数取值在0到1之间；

如其中一个心力衰竭病历，将中关系病征序列和弱关系病征序列代入疾病推导公式中：

O（患心力衰竭）=0.50 *肝颈静脉回流征+0.25*端坐呼吸困难+ 0.15*胸腔积液+0.1*双下肢水肿=0.50*1+0.25*1+ 0.15*1+0.1*1=1

S2、挑选所有合适的病历形成有效病历集，并将有效病历集输入到疾病模型中；

所述挑选有效病历集具体步骤包括：

1）从病历内容中分别提取所有疾病模型中出现病征的描述信息及取值，形成每份病历提取结果的列表Q；

详细的这里的列表Q数组方式表示为Q(疾病名称，病历序号)={（病征1，值1），（病征2，值2）……，（病征n，值n）}；列表Q内节点个数与疾病模型的病征库中的病征个数相等，病征的取值形式有三类：（1）数值（2）有/无/未出现（3）文本序列，数值是指取值以数字形式表达，比如体重为57kg，体重为病征，57为值，建立数组前会为每个结果为数值的病征指定标注的单位，取值时按单位转化数据；有/无/未出现表达是病征是否发现，以发烧为例，在不同的病历中可能情况是，有：对应于患者有此症状，无：表示明确否认症状，未出现：表示在病历中没有描述；文本序列指结果值为文本形式，类似于字典的表达，比如在某些病历中，患者性别为症征时，男性即为其取值之一，在其他的病历中，则可能是患者性别取值为女性。以心力衰竭为例，每份病历我们都可以得到一个向量表。

如：对于心力衰竭的第100份病历表示为，Q(心力衰竭，100)={（端坐呼吸困难，有），（肝颈静脉回流征，无），（心动过速，有），（颈静脉怒张，有），（发烧，无），（年龄段，老年），…… }。

2）从疾病模型中获取疾病的病征列表；

即S列表、M列表及W列表。

3）接着用1）的列表Q与2）获取的病征列表进行对比，当病征列表中的强关系病征均应出现在列表Q中时，该病历才可进入后续处理；否则为无效病历；

这里指出的是列表Q与S列表对比，当列表Q并没有出现该疾病的S列表中的病征时，则该病历不是该疾病的有效病历，将放弃下一步的处理；否则，列表Q并全部出现了该疾病的S列表中的病征时，则该病历是该疾病的有效病历，才进行下一步的处理

详细的将Q(心力衰竭，100)={（端坐呼吸困难，有），（肝颈静脉回流征，无），（心动过速，有），（颈静脉怒张，有），（发烧，无），（年龄段，老年），…… }与S（心力衰竭）={（冠心病史，有），（高血压史，有）}对比，该第100份病历包含了冠心病史和高血压史，因此可以进行步骤4）的工作。

4）然后将列表Q中的节点代入疾病推导公式进行推算患病概率，当概率大于设定的最低阀值时，所述最低阀值的范围值为0-1，此病历可归入该疾病的有效病历集。

本实施例中设定的最低阀值为0.6，此时而本实施例中的列表Q(心力衰竭，100)的推算患病概率大于0.6，因此病历可归入心力衰竭的有效病历集。

S3、当有效病历集达到一定数量时对疾病模型进行更新，最后获得新的疾病模型；

在本实施例中，有效病历集达到一定数量时对疾病模型进行更新指的是，指与心力衰竭关联的有效病历数量达到一定数量时，可启动后述的更新处理流程，这里数量设有初始量级及递增量级两类，均可以调整。如，本实施例设定初始量级为10000份，递增量级为1000份，则在合适病历达到10000份时，首次启动该疾病的推导公式的更新流程，当达到11000、12000、13000份，以此类推，持续启动更新流程。

本实施例所述步骤S3疾病模型进行更新具体如：

1）将有效的病历中每份病历的相应病征结果（心衰）列表Q集中在一起作为参数进行分析处理；

这里分析处理主要使用带有单因素分析法计算算法的软件或接口服务的处理设备，如带有SPSS软件或其他数据分析软件的服务器。

2）经过上述分析处理后获取病征与疾病的相关性，并按相关度从高到低进行排序，获取到带权重值的病征序列Y；

病征序列Y表示为（y₁：r₁，y₂：r₁，y₃：r₃……y_k:r_k），其中y为病征名称，r为相关权重值，按照疾病的相关性由高至低排列，其中k代表病历模型中所有病征的总数；

本实施例中根据使用的分析软件不同，其中k为病历模型中所有病征的总数，r代表相关权重值其范围值为0-1。如心力衰竭，其心力衰竭的病征序列以例示为Y（心力衰竭）=（年龄：0.8，舒张压：0.7，肺水肿0.45，糖尿病：0.5，颈静脉怒张：0.2，发烧：0.01…）。

3）从疾病模型中获取相应疾病的病征列表，用病征列表中的中关系病征每一个病征与病征序列Y中的病征逐一进行对比，首先排除该疾病的强关系病征，后如发现病征序列Y中有未出现在疾病模型中的中关系病征中且排序位于疾病模型中的中关系病征中任何一个已有病征之前时，将其加入到原中关系病征中形成新中关系病征M_new，并从疾病模型的该疾病弱关系病征列表中去除相应的病征；

如本实施例中以心力衰竭为例，在疾病模型中，心力衰竭原来的中关系特征为M（心力衰竭）={（端坐呼吸困难，有），（肝颈静脉回流征，有），（心动过速，有），（颈静脉怒张，有），（肺部啰音，有），（心脏肥大，有），（心脏肥大，有），（肺水肿，有），（双下肢水肿，有）}，现发现年龄段位于颈静脉怒张之前，所以将其加入到中关系特别，更新为M_new（心力衰竭）={（端坐呼吸困难，有），（年龄段，老年），（肝颈静脉回流征，有），（心动过速，有），（颈静脉怒张，有），（肺部啰音，有），（心脏肥大，有），（心脏肥大，有），（肺水肿，有），（双下肢水肿，有）}；同时发现发烧病征没有高于M中任何一个中关系病征，所以将发烧归入到心力衰竭的弱关系病征W_new中。

4）使用3）中获取的M_new及W_new与相应疾病所有有效病历的病征列表Q的节点对比，将每个Q内病征与M_new中病征以及W_new中排在前N个的病征的交集节点提取出来形成新的列表L，其中N可以在***中配置，形成列表L集；

如上述步骤3）中的M_new（心力衰竭）与心衰的第100份有效病历的Q(心力衰竭，100)的节点对比，将所有M_new（心力衰竭）中病征出现在Q(心力衰竭，100)中的病征选出，同时加入指定个数的弱关系病征，形成新表L。新的列表L如下：

L(心力衰竭，100)={（端坐呼吸困难，有），（肝颈静脉回流征，无），（心动过速，有），（颈静脉怒张，有），（年龄段，老年），…… }。

将新的列表Q集用带有单因素分析法计算算法的软件或接口服务的处理设备，如带有SPSS软件或其他数据分析软件的服务器进行分析处理，最后将病征重新分析排列，具体的重新对中关系病征和弱关系病征进行区分，最后获得新的疾病推导公式：

O（x）=f(m₁,m₂,…,m_n；w₁,w₂,…,w_i)=b₁X₁+b₂X₂+…+b_nX_n+p₁W₁+p₂w₂…+p_iw_i；

这里根据关系病征的转化实时转变，因此疾病模型实时根据转化的情况对疾病推导公式进行更新有效的保证准确率。如上述年龄段的病征由弱关系病征转化为中关系病征，因此对推导公式推导的结果影响很大。

这里需要说明的是，病征与疾病的关系强度是可以转化的，特别是在不同人群、不同地域、不同时期或不同生活习惯下，在定义疾病时虽未纳入强关系病征或中关系病征，但有可能向更高的关系转化。因此需要一个能够动态的疾病模型可以根据关系病征的转化实时转变的有助于临床医生快速的诊断出相关的疾病，增大准确率。

5）将新的列表Q集代入疾病推导公式即可获得新的推导公式，由此新的推导公式和包含新M_new的疾病列表构成了新的疾病模型。

S4、将患者相关病征信息录入模型中，模型将病征信息与疾病列表进行判断分析，并用疾病推导公式算出可能出现的各种疾病和概率，并将各种疾病和相应的概率推送到临床医生的用户端。

在临床医生接诊患者后，首先收集患者相关病征信息，其中包括患者既往病史外，现病史，并通过询问、检查及检验等手段将了解到的患者信息汇总患者所有相关病征后，将这些相关病征信息录入疾病模型中，疾病模型就会根据所输入的病征信息计算出有可能存在的疾病和疾病的概率，这里所说的可能存在的疾病为一种以上，该疾病和疾病的概率供临床医生参考。

参考附图2所示，还公布了一种动态临床疾病模型***，包括动态推理机，所述动态推理机分别与信息录入端和用户端通讯连接，用于，

接收信息录入端发送的病历信息，所述病历信息包括患者信息和病征信息的临床数据；对于未确诊的病历信息，根据动态推理机内的疾病模型推导出可能存在的疾病和概率信息,再将疾病和概率信息发送给相应的用户端，作为相应接诊医生的诊断参考；对于已确诊的病历信息，动态推理机根据疾病模型判断病历的有效性，并将判断为有效的病历传入病历存储库；

所述动态临床疾病模型***还包括病历存储库，所述病历存储库用于接收信息录入端收集到的所有已确诊并经动态推理机判断为有效病历的病历信息；

动态推理机从病历存储库提取相应疾病的病历集，并提取各个病历中的相应病征，每当病历集达到指定量级时，动态推理机启动对相应疾病与病征的相关度分析，动态推理机根据分析后的病征相关度排序新的病征列表，根据新的病征列表动态推理机调整疾病模型。

这里信息录入端一般指的是医院能够与本***通讯连接的计算机或者智能手持设备，如医生工作站的电脑。用户端通讯指的时临床医生使用的PC端或者智能手持设备，主要用于接收动态推理机经过计算获得的结果。动态推理机也可以认为是后台的***服务器。

需要指出的是这里所说的通讯连接包括有线通讯连接和无效通讯连接，本实施例中动态推理机采用了与医院相关的终端设备通讯连接，终端设备包括了医院的显示屏和PC端等设备。

进一步的，所述动态推理机包括动态推理模块、疾病模型存储模块、病征提取模块和病例分析模块，动态推理模块分别与疾病模型存储模块、病征提取模块和病例分析模块双向通讯连接；

动态推理模块，用于将病征提取模块获取的病征列表代入到疾病模型存储模块获取疾病模型中计算相关疾病的概率；

疾病模型存储模块，用于存储疾病模型，所述疾病模型包括疾病列表、病征列表及疾病推导公式模型；

病征提取模块，用于从接诊患者的病历信息或所述病历存储库内的确诊病历中提取疾病有关的病征信息，将该病征信息处理为供病例分析模块分析的病征列表Q；

病例分析模块，用于病征列表Q和相应疾病的疾病模型的病征列表对比，当疾病模型的病征列表的强关系病征都出现在病征列表Q，则计算该疾病的概率；并用于对每个疾病进行病征相关度分析获得病征序列Y，将病征序列Y传至权重调节器。

进一步的，所述动态临床疾病模型***还包括权重调节器，用于接收病例分析模块的病征序列Y，并修正疾病模型中的权重数值，并用病征列表与病征序列Y中的病征逐一对比，形成新的疾病模型。

进一步的，所述的病征提取模块、病例分析模块、权重调节器及动态推理机，均应运行于至少一个CPU之上，但不排除应用于分布式运算，如SAAS模式的部署。

进一步的，疾病模型存储模块和病历存储库采用独立的DB存储方式，也可采用分布式的存储设备来存储。

本发明构建的医疗辅助***，实施不受医疗机构规模、已开业时间以及既往信息化水平的限制，基于疾病模型的初始状态即可应用于临床，并可在医疗机构后续开业期间使用医疗机构的历史数据及新增数据对疾病模型进行持续修正，修正后模型又可应用于临床，从而形成了闭环数据链，使数据的生产与利用达到了和谐统一，即时可用，同时此数据链也是开放的数据链，可以纳入外来医院的数据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种动态疾病模型库的分析方法，其特征在于：具体步骤如下：

S1、专家组根据疾病类型和相应的病征建立疾病模型；

建立疾病列表，同时在疾病列表下面建立病征列表，所述病征列表按照强关系病征S、中关系病征M和弱关系病征W三类进行区分；

根据疾病确诊规律建立疾病与病征的疾病推导公式：

O（x）=f(m₁,m₂,…,m_n,w₁,w₂,…,w_i)=b₁X₁+b₂X₂+…+b_nX_n+p₁W₁+p₂w₂…+p_iw_i；

m_n代表中关系病征序列中有n个病征m，中关系病征序列M以数组方式表示为（m₁,m₂…m_n），w_i代表弱关系病征序列有i个病征w，弱关系病征序列W以数组方式表示为（w₁,w₂…w_i）；b₁…b_n代表为在确诊疾病时计入公式的中关系病征相应的权重值，取值在0到1之间，p₁，p₂…p_i指公式引用到弱关系病征的系数，系数取值在0到1之间；

S2、挑选所有合适的病历形成有效病历集，并将有效病历集输入到疾病模型中；

S3、当有效病历集达到一定数量时对相应疾病的疾病模型进行更新，最后获得新疾病模型；

S4、将患者相关病征信息录入模型中，模型首先根据病征信息选取符合疾病模型内强关系病征的疾病列表，后使用相应疾病列表的疾病推导公式算出可能出现的各种疾病和概率，并将各种疾病和相应的概率推送到临床医生的用户端。

2.如权利要求1所述的动态疾病模型库的分析方法，其特征在于：所述挑选有效病历集具体步骤包括：

1）从病历内容中分别提取所有疾病模型中出现的病征，形成每份病历提取结果的病征列表Q；

2）从疾病模型中获取相应病历的确诊疾病的病征列表及对应的推导公式；

3）接着用1）的列表Q与2）获取的病征列表进行对比，当模型病征列表中的强关系病征均应出现在列表Q中时，该病历才可进入后续处理；否则为无效病历；

4）然后将列表Q中的病征节点代入疾病推导公式进行推算患病概率，当概率大于设定的最低阀值时，此病历可归入该疾病的有效病历集。

3.如权利要求2所述的动态疾病模型库的分析方法，其特征在于：所述最低阀值的范围值为0-1。

4.如权利要求1所述的动态疾病模型库的分析方法，其特征在于：所述步骤S3疾病模型进行更新具体如下：

1）将同一疾病有效的病历中每份病征结果列表Q 集中在一起作为参数进行分析处理；

2）经过上述分析处理后获取病征与疾病的相关性，并按相关度从高到低进行排序，获取到带权重值的病征序列Y；病征序列Y表示为（y₁：r₁，y₂：r₁，y₃：r₃……y_k:r_k），其中y为病征，r为相关权重值，按照与疾病的相关性由高至低排列，其中k代表病历模型中所有病征的总数；

3）从疾病模型中获取相应疾病的病征列表，用病征列表中的中关系病征与病征序列Y中的病征逐一进行对比，首先排除该疾病的强关系病征，后如发现病征序列Y中有未出现在疾病模型中的中关系病征中且排序位于疾病模型中的中关系病征中任何一个已有病征之前时，将其加入到原中关系病征中形成新中关系病征M_new，并从疾病模型的该疾病弱关系病征列表W中去除相应的病征形成新弱关系病征W_new；

4）使用3）中获取的M_new及W_new逐一与相应疾病所有有效病历的病征列表Q的节点对比，将每个Q与M_new中病征与以及W_new中排在前N个的病征的交集病征节点提取出来形成新的列表L，其中N可以在***中配置，形成列表L集；

5）将新的列表L集代入疾病推导公式即可获得新的推导公式，由此新的推导公式和包含新M_new及W_new的病征列表构成了新的疾病模型。

5.如权利要求1所述的动态疾病模型库的分析方法，其特征在于：所述步骤S3疾病模型进行更新具体如：所述步骤S3当有效病历集达到一定数量时对疾病模型进行更新，所述数量范围为1000以上。

6.一种动态临床疾病模型***，其特征在于：

包括动态推理机，所述动态推理机分别与信息录入端和用户端通讯连接，用于，

接收信息录入端发送的病历信息，所述病历信息包括患者信息和病征信息的临床数据；对于未确诊的病历信息，根据动态推理机内的疾病模型推导出可能存在的疾病和概率信息，再将疾病和概率信息发送给相应的用户端，作为相应接诊医生的诊断参考；对于已确诊的病历信息，动态推理机根据疾病模型判断病历的有效性，并将判断为有效的病历传入病历存储库；

所述动态临床疾病模型***还包括病历存储库，所述病历存储库用于接收信息录入端收集到的所有已确诊并经动态推理机判断为有效病历的病历信息；

动态推理机从病历存储库提取相应疾病的病历集，并提取各个病历中的相应病征，每当病历集达到指定量级时，动态推理机启动对相应疾病与病征相关度的分析，动态推理机根据分析后的病征相关度排序新的病征列表，根据新的病征列表动态推理机调整疾病模型。

7.如权利要求6所述的动态临床疾病模型***，其特征在于：所述动态推理机包括动态推理模块、疾病模型存储模块、病征提取模块和病例分析模块，动态推理模块分别与疾病模型存储模块、病征提取模块和病例分析模块双向通讯连接；

动态推理模块，用于将病征提取模块获取的病征列表代入到疾病模型存储模块获取疾病模型中计算相关疾病的概率；

疾病模型存储模块，用于存储疾病模型，所述疾病模型包括疾病列表、病征列表及疾病推导公式模型；

病征提取模块，用于从接诊患者的病历信息或所述病历存储库内的确诊病历中提取疾病有关的病征信息，将该病征信息处理为供病例分析模块分析的病征列表Q；

病例分析模块，用于病征列表Q和相应疾病的疾病模型的病征列表对比，当疾病模型的病征列表的强关系病征都出现在病征列表Q，则计算该疾病的概率；并用于对每个疾病进行病征相关度分析获得病征序列Y，将病征序列Y传至权重调节器。

8.如权利要求6所述的动态临床疾病模型***，其特征在于：所述动态临床疾病模型***还包括权重调节器，用于接收病例分析模块的病征序列Y，并修正疾病模型中的权重数值，并用病征列表与病征序列Y中的病征逐一对比，形成新的疾病模型。

9.如权利要求7所述的动态临床疾病模型***，其特征在于：所述病征列表Q用数组方式表示具体如下：

Q(疾病名称，病历序号)={（病征1，值1），（病征2，值2）……，（病征n，值n）}；

病征列表中每个节点均由名称及取值两部分构成，其中取值的形式分为三类：（1）有/无、（2）数值、（3）文本序列。

10.如权利要求1所述的动态临床疾病模型***，其特征在于：所述强关系病征S、中关系病征M和弱关系病征W通过病征列表的形式在疾病模型中进行体现，如下：

病征列表用数组方式表示为{（病征1，值1），（病征2，值2）…（病征i，值i）…（病征n，值n）}；

病征列表中每个节点均由名称及取值两部分构成，其中取值的形式分为三类：（1）有/无、（2）数值、（3）文本序列。